这篇论文关注数学和理论科学这类领域。过去，一篇写得清楚、理论结果扎实的论文，往往能说明作者对所在领域有较深的理解。AI 普及之后，这类信号的生产成本降低了，它不再能可靠地区分学术人员的理解水平。论文由此把问题落到招聘上。
招聘两端各有选择。早期研究者可以投入时间建立对领域的深入理解，也可以用 AI 堆出更长的论文清单。招聘方可以偏向论文少但通过理解型面试的申请者，也可以坚持论文数量与面试双重门槛。论文建立了一个博弈模型，列出所有纯策略均衡，并用学习模拟观察申请者和招聘方群体可能学到的行为。
对普通读者来说，这件事离日常并不远。简历和作品越来越容易被工具批量生成，靠数量判断能力的习惯就会松动。论文没有给出统一答案，只提供了一个分析框架，用来讨论招聘实践怎样随 AI 调整，以及哪些做法还能保住深入理解的价值。
信号变便宜之后，筛选方式也得跟着变，这大概是论文留下的最实在的一层意思。
评论